Cost optimization of blockchain-enabled supply chain system

Havaeji, Hossein (2024). Cost optimization of blockchain-enabled supply chain system. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

Blockchain Technology-enabled Supply Chain System (BT-enabled SCS) promises to provide trustworthy transactions, better-managed operations, and traceability. BT-enabled SCS is the system using BT to improve the transparency, security, and process integrity of SC. Moreover, a Pharmaceutical Supply Chain (PSC) is a system of drug delivery processes, operations, and organisations. BT-enabled PSC may enable the system to share medical information between systems, track drugs, monitor PSC safely and transparently, reduce delays and human errors, and improve the system's stability, safety, and security.

This thesis aims to design a mathematical cost model for BT-enabled SCS, which may assist some companies that evaluate the costs of BT as the main database in their SC system. The second purpose is to minimize the costs of the designed BT-enabled SCS model through Evolutionary Computation (EC) algorithms (CS/ACO/GA) as optimization techniques. We, therefore, identified the cost components of BT-enabled SCS based on the related literature review. The third objective of the thesis is to estimate the costs of the BT-based PSC model, select Evolutionary Supervised Learning algorithms with minimum prediction errors, assign appropriate weights to all cost model components, and determine the cost components of the BT-based PSC model. This study provides a new PSC mathematical cost model, which includes BT, that can improve the safety, performance, and transparency of medical information sharing in a healthcare system. The fourth purpose of this thesis is to determine the most reliable Evolutionary Supervised Learning algorithm(s) with minimum prediction errors, estimate the costs of the BT-based PSC model under uncertain demand, determine the cost components of the multi-function model, and reveal the importance of each cost component.

To generate raw data for the BT-enabled SCS model, the authors revised the Operations Research model and Inventory Management model and applied Python software for data generation. Python software also helps us generate raw data for the BT-based PSC cost model and the multi-function BT-enabled PSC cost model under uncertain demand. To reach these goals, we combined four Supervised Learning algorithms (KNN, DT, SVM, and NB) with two EC algorithms for the BT-based PSC cost model and the multi-function BT-enabled PSC cost model under uncertain demand. We applied ACO and FA algorithms for the BT-based PSC cost model and PSO and HS algorithms for the multi-function BT-enabled PSC cost model under uncertain demand. The authors also used the Feature Weighting approach to assign appropriate weights to all cost model components, revealing their importance. Four performance metrics were used to evaluate the cost model, and the Total Ranking Score (TRS) was used to determine the most reliable predictive algorithms.

Comparing CS/ACO/GA algorithms, the best solutions for the BT-enabled SCS cost model are CS and ACO with the higher TRS (scored by MSE, RMSE, and ROC), followed by GA standing in the second step. Our findings show that the ACO-NB and FA-NB algorithms perform better than the other six algorithms in estimating the costs of the BT-based PSC cost model with lower errors, whereas ACO-DT and FA-DT show the worst performance. The findings also indicate that the shortage, holding, and expired medication costs more strongly influence the cost model than other cost components. The results also indicate that the HS-NB and PSO-NB algorithms outperform the other six algorithms in estimating the costs of the multi-function BT-enabled PSC model under uncertain demand with lower errors. The findings also illustrate that the Raw Materials cost has a stronger influence on the multi-function model than other components.

Titre traduit

Optimisation des coûts du système de chaîne d'approvisionnement basé sur la blockchain

Résumé traduit

Le système de chaîne d'approvisionnement basé sur la technologie Blockchain (SCS compatible BT) promet de fournir des transactions fiables, des opérations mieux gérées et une traçabilité. SCS activé par BT est le système utilisant BT pour améliorer la transparence, la sécurité, la durabilité et l'intégrité des processus de SC. De plus, une chaîne d'approvisionnement pharmaceutique (PSC) est un système de processus, d'opérations et d'organisations de distribution de médicaments. La BT compatible PSC peut permettre au système de partager des informations médicales entre les systèmes, de suivre les médicaments, de surveiller la PSC de manière sûre et transparente, de réduire les retards et les erreurs humaines et d'améliorer la stabilité, la sûreté et la sécurité du système.

Cette thèse vise à concevoir un modèle de coût mathématique pour SCS compatible BT, qui pourrait aider certaines entreprises qui évaluent les coûts de BT en tant que base de données principale dans leur système SC. Le deuxième objectif est de minimiser les coûts du modèle SCS compatible BT conçu grâce à des algorithmes de calcul évolutif (EC) (CS/ACO/GA) en tant que techniques d'optimisation. Nous avons donc identifié les éléments de coût du SCS activé par BT sur la base de l'examen de la littérature connexe. Le troisième objectif de la thèse est d'estimer les coûts du modèle PSC basé sur BT, de sélectionner des algorithmes d'apprentissage supervisé évolutif avec des erreurs de prédiction minimales, d'attribuer des poids appropriés à tous les composants du modèle de coût et de déterminer les composants de coût du modèle PSC basé sur BT. Cette étude fournit un nouveau modèle de coût mathématique PSC, qui inclut BT, qui peut améliorer la sécurité, les performances et la transparence du partage d'informations médicales dans un système de santé. Le quatrième objectif de cette thèse est de déterminer le ou les algorithmes d'apprentissage supervisé évolutif les plus fiables avec un minimum d'erreurs de prédiction, d'estimer les coûts du modèle PSC basé sur BT en cas de demande incertaine, de déterminer les composantes de coût du modèle multifonctionnel et révéler l'importance de chaque élément de coût.

Pour générer des données brutes pour le modèle SCS compatible BT, les auteurs ont révisé le modèle de recherche opérationnelle et le modèle de gestion des stocks et ont appliqué le logiciel Python pour la génération de données. Le logiciel Python nous aide également à générer des données brutes pour le modèle de coût PSC basé sur BT et le modèle de coût PSC multifonctionnel compatible BT en cas de demande incertaine. Pour atteindre ces objectifs, nous avons combiné quatre algorithmes d'apprentissage supervisé (KNN, DT, SVM et NB) avec deux algorithmes EC pour le modèle de coût PSC basé sur BT et le modèle de coût PSC multifonctionnel compatible BT sous une demande incertaine. Nous avons appliqué les algorithmes ACO et FA pour le modèle de coût PSC basé sur BT et les algorithmes PSO et HS pour le modèle de coût PSC multifonctionnel compatible BT en cas de demande incertaine. Les auteurs ont également utilisé l'approche de pondération des caractéristiques pour attribuer des pondérations appropriées à tous les composants du modèle de coût, révélant ainsi leur importance. Quatre mesures de performance ont été utilisées pour évaluer le modèle de coût, et le Score de classement total (Total Ranking Score-TRS) a été utilisé pour déterminer les algorithmes prédictifs les plus fiables.

En comparant les algorithmes CS/ACO/GA, les meilleures solutions pour le modèle de coût SCS compatible BT sont CS et ACO avec le TRS le plus élevé (noté par MSE, RMSE et ROC), suivi par GA debout dans la deuxième étape. Nos résultats montrent que les algorithmes ACONB et FA-NB fonctionnent mieux que les six autres algorithmes pour estimer les coûts du modèle de coût PSC basé sur BT avec des erreurs plus faibles, tandis que ACO-DT et FA-DT affichent les pires performances. Les résultats indiquent également que la pénurie, la conservation et les coûts des médicaments périmés influencent plus fortement le modèle de coût que les autres composantes de coût. Les résultats indiquent également que les algorithmes HS-NB et PSO-NB surpassent les six autres algorithmes dans l'estimation des coûts du modèle PSC multifonctionnel compatible BT en cas de demande incertaine avec des erreurs moindres. Les résultats montrent également que le coût des matières premières a une plus grande influence sur le modèle multifonctionnel que les autres composants.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscripted-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 171-187).
Mots-clés libres:	chaîne d'approvisionnement pharmaceutique compatible avec la chaîne de blocs, système de chaîne d'approvisionnement compatible avec la chaîne de blocs, algorithmes d'apprentissage supervisé, algorithmes de calcul évolutif, technologie de la chaîne de blocs, demande incertaine
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Dao, Thien-My
Codirecteur:	Codirecteur Wong, Tony
Programme:	Doctorat en génie > Génie
Date de dépôt:	20 févr. 2025 18:10
Dernière modification:	20 févr. 2025 18:10
URI:	https://espace.etsmtl.ca/id/eprint/3440

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt